BAB III METODE PENELITIAN
A. Metode Penelitian 1. Obyek dan subyek penelitian Obyek penelitian adalah di kantor UPT Kementerian Sosial di D.I. Yogyakarta, yang berlokasi di Purwomartani, Kalasan, Sleman, dan Nitipuran, Yogyakarta. Sedangkan subyek dari penelitian ini adalah pegawai negeri sipil yang ada di kantor UPT Kementerian Sosial di D.I. Yogyakarta sebanyak 102 responden. 2. Teknik pengambilan sampel Sampel diambil dengan teknik convenience sampling atau karena kemudahan akses ke responden. Sampel diambil pada dua kantor UPT Kementerian Sosial di D.I. Yogyakarta yang berlokasi di BBPPKS dan BBP3KS Yogyakarta. 3. Jenis Data Dalam penelitian ini jenis data yang digunakan adalah data primer yaitu data yang diperoleh secara langsung dari obyek penelitian dengan metode survei.
53
54
4. Teknik Pengumpulan data Teknik pengumpulan data yang peneliti gunakan untuk menganalisis data sesuai dengan tujuan penelitian, dengan menggunakan seperangkat daftar pertanyaan (kuesioner) yang diajukan kepada responden. Daftar pertanyaan tersebut telah disediakan dalam bentuk pertanyaan tertutup yang dijadikan sebagai data primer obyek penelitian. Metode ini digunakan untuk memperoleh data primer atau variabel yang diteliti berupa data kualitatif, yang selanjutnya dianalisis secara kuantitatif dengan menggunakan uji statistik. Untuk memperoleh data yang bisa dianalisis, penulis menggunakan skor untuk setiap jawaban yang diberikan responden. Dalam menentukan skor digunakan Skala Likert, dimana cara pengukuran dengan menghadapkan seseorang kepada beberapa pertanyaan dan diminta memberikan jawaban. Dari jawaban yang mereka berikan, kemudian diberikan bobot nilai atau skor untuk setiap jawaban (Masri Singarimbun, 1985). Pemberian skor berdasarkan skala likert adalah : Sangat Setuju
(SS)
diberi skor 5
Setuju
(S)
diberi skor 4
Netral
(N)
diberi skor 3
55
Tidak Setuju
(TS)
diberi skor 2
Sangat Tidak Setuju
(STS) diberi skor 1
5. Definisi Operasional dan Variabel Penelitian Variabel yang akan digunakan dalam penelitian ini terdiri dari 5 variabel yaitu keadilan kompensasi, kebutuhan untuk berprestasi, kebutuhan untuk berafiliasi, kebutuhan untuk berkuasa dan kinerja. Untuk mengetahui lebih lanjut mengenai variabelvariabel tersebut diperlukan indikator-indikator. Indikator tersebut selanjutnya diformulasikan dalam bentuk item-item pertanyaan atau pernyataan yang masing-masing item memiliki range (1 - 5), sehingga masing-masing jawaban memiliki bobot skor yang berbeda. Dari pemberian skor tersebut akan diperoleh 5 alternatif jawaban, yaitu : sangat setuju, setuju, netral, tidak setuju dan sangat tidak setuju, dengan nilai skor 5 sampai 1. Variabel
motivasi
menggunakan
teori
kebutuhan
McClelland yang dikutip oleh Mangkunegara. Adapun indikator yang akan digunakan untuk menentukan nilai dari pengukuran yang dimaksud, dapat dilihat dalam tabel berikut :
56
Tabel 3.1 Definisi Operasional Variabel Variabel
Indikator
(1)
(2)
Keadilan kompensasi (X1) Kompensasi adalah imbalan berupa uang atau bukan uang yang diberikan kepada karyawan dalam perusahaan atau organisasi
1. Kompensasi saya menggambarkan usaha yang saya lakukan 2. Kompensasi sudah sudah sesuai dengan pekerjaan 3. Kompensasi meggambarkan yang diberikan ke tempat kerja 4. Kompensasi telah sesuai dengan kinerja
Kebutuhan untuk berprestasi (X2) adalah dorongan untuk mengembangkan kreativitas dan mengarahkan semua kemampuan serta energi yang dimilikinya demi mencapai prestasi yang optimal
1. Keberanian dalam mengambil resiko 2. Keterlibatan pihak luar terhadap prestasi yang dicapai 3. Kebutuhan terhadap umpan balik yang cepat atas keberhasilan dan kegagalan 4. Kebutuhan akan kritik, saran terhadap hasil kerja
Kebutuhan untuk 1. Keinginan untuk mempertahankan berafiliasi (X3) adalah hubungan dengan rekan kerja daya penggerak yang 2. Keinginan untuk senang bekerja memotivasi semangat kelompok kerja seseorang. 3. Keinginan untuk mendapatkan pengakuan dalam bersosialisasi di tempat kerja 4. Keinginan untuk saling saling menghargai dan saling mendukung
Kebutuhan
1. Keinginan orang lain untuk 2. Keinginan
untuk untuk
mempengaruhi memberi
57
Variabel
Indikator
(1)
(2)
berkuasa (X4) adalah daya penggerak yang memotivasi semangat kerja seseorang, karena kebutuhan akan kekuasaan ini merangsang dan memotivasi gairah kerja seseorang serta mengerahkan semua kemampuan demi mencapai kekuasaan atau kedudukan yang terbaik dalam organisasi Kinerja adalah hasil kerja yang dicapai oleh seseorang dalam melaksanakan tugas yang dibebankan kepadanya pada waktu dan ukuran yang telah ditetapkan.
3. 4. 5. 6.
pengarahan orang lain Keinginan untuk mengajarkan kepada orang lain Keinginan untuk membantu rekan kerja Keinginan untuk mendorong orang lain mencapai prestasi Keinginan untuk memimpin atau mengarahkan dalam pertemuan
1. 2. 3. 4.
Pemenuhan tanggungjawab pekerjaan Kualitas hasil kerja Tingkat produktivitas yang dicapai Kuantitas pekerjaan dibandingkan dengan yang lain 5. Efektifitas dalam bekerja 6. Kualitas hasil pekerjaan
6. Uji Kualitas Instrumen Penelitian
ini
bertujuan
menguji
dan
menganalisis
hubungan kausal antar variabel sekaligus memeriksa validitas dan reliabilitas instrumen penelitian secara keseluruhan. Analisis yang digunakan adalah Structural Equation Modelling (SEM) dengan menggunakan paket program AMOS (Analysis of Moment Structure) versi 22.0 dan SPSS versi 20.0.
58
SEM merupakan sekumpulan teknik yang memungkinkan pengujian beberapa variabel endogen dengan beberapa variabel eksogen secara simultan. Penggunaan SEM memungkinkan peneliti untuk menguji hubungan antara variabel yang kompleks untuk memperoleh gambaran menyeluruh mengenai keseluruhan model. SEM dapat menguji secara bersama-sama (Bohlen dalam Ghozali dan Fuad, 2005) : a. Model struktural hubungan antara konstruk eksogen dan endogen b. Model measurement, hubungan (nilai loading) antara indikator dengan konstruk (variabel laten) Digabungkannya pengujian model struktural dan pengukuran tersebut memungkinkan peneliti untuk : a. Menguji kesalahan pengukuran (measurement error) sebagai bagian yang tidak terpisahkan dari SEM. b. Melakukan analisis faktor persamaan dengan pengujian hipotesis.
59
a. Uji Validitas Uji validitas merupakan instrumen penting yang harus dilakukan sebelum dilakukan analisis statistik, digunakan untuk mengetahui ketepatan dan kehandalan kuesioner. Uji validitas ini berfungsi mengukur sah atau valid tidaknya suatu kuesioner. Suatu kuesioner dikatakan valid jika pertanyaan pada kuesioner tersebut mampu mengungkapkan sesuatu yang akan diukur oleh kuesioner tersebut (Ghozali, 2014). Uji validitas menggunakan program AMOS dengan melihat output estimate pada regressions weight. Cara menilai validitas
dengan
membandingkan
p-value
pada
tingkat
signifikansinya (alpha) dan banyak peneliti menggunakan 5% atau 10%, jika p-value lebih kecil dari alpha, maka indikator tersebut dinyatakan valid. b. Uji Reliabilitas Uji reliabilitas merupakan uji kehandalan yang bertujuan untuk mengetahui seberapa jauh sebuah alat ukur dapat dipercaya dan dihandalkan. Kehandalan berkaitan dengan estimasi sejauh mana suatu alat ukur, apabila dilihat dari stabilitas dan konsisten internal dari jawaban atau pernyataan jika pengamatan dilakukan secara berulang. Apabila suatu alat
60
ukur digunakan berulang dan hasil yang diperoleh relatif konsisten, maka alat ukur tersebut dianggap handal (reliabel). Untuk mendapatkan nilai tingkat reliabilitas dimensi pembentuk variabel laten, digunakan rumus yang diadopsi oleh Ghozali (2014) yaitu: Construct-Reliability (C.R.) =
Keterangan: 1) Standart loading diperoleh dari standardized regression weight untuk setiap indikator yang didapat dari hasil perhitungan AMOS. 2) ∑ԑj adalah measurement error dari tiap indikator. Measurement error dapat diperoleh dengan 1-(standart loading)² Instrumen penelitian atau variabel dinyatakan handal (reliable) jika nilai Construct-Reliability (C.R.) ≥ 0,7 (Ghozali, 2014)
61
c. Uji Asumsi SEM 1)
Ukuran Sampel Ukuran sampel penelitian untuk pengajuan model dengan menggunakan SEM adalah antara 100 – 200 sampel atau tergantung pada jumlah parameter yang diestimasi, yaitu jumlah indikator dikalikan 5 sampai 10 (Ghozali, 2014).
2)
Uji Normalitas Menguji
normalitas
data
bertujuan
untuk
mengidentifikasi apakah data yang digunakan berdistribusi normal atau tidak. Uji ini perlu dilakukan baik untuk data tunggal (univariate) maupun normalitas untuk seluruh data (multivariate).
Uji
normalitas
dilakukan
dengan
membandingkan nilai critical ratio pada assessment of normality dengan nilai kritis ± 2,58 pada level 0,01 (Ferdinand, 2006). Sebuah data dikatakan normal jika nilai critical ratio < 2,58, sebaliknya jika nilai critical ratio > 2,58 maka data tersebut berdistribusi tidak normal.
62
3)
Uji Outliers Outlier adalah observasi atau data yang memiliki karakteristik unit yang terlihat sangat berbeda jauh dari observasi-observasi lain yang muncul dalam bentuk nilai ekstrim baik untuk sebuah variabel tunggal atau variabel kombinasi (Hair et al, 2006). Dengan metode ini outlier dapat dievaluasi dengan dua cara, yaitu : analisis univariate outliers dan multivariate outliers. Apabila ditemukan nilai outliers pada uji univariate outliers dan multivariate outliers, maka data dalam penelitian tersebut harus dikeluarkan dari model analisis penelitian. a) Univariate Outliers Uji univariate outliers dilakukan dengan cara melihat nilai ambang batas dari z-score itu berada pada rentang 3-4 (Hair et al, 2006). Oleh karena itu kasus atau observasi yang mempunyai z-score ≥ 3,0 dikategorikan sebagai outliers. Kriteria data adalah jika standar deviasi sama dengan 1 dan rata-rata atau mean sama dengan nol. b) Multivariate Outliers
63
Evaluasi terhadap multivariate outliers dapat dilihat dari hasil output AMOS mahalanobis distance. Kriteria yang digunakan pada tingkat p < 0,001. Dengan bantuan program excel (CHIINV) jarak tersebut dievaluasi dengan menggunakan X² pada derajat bebas (degree of freedom/df) sebesar jumlah indikator yang digunakan dalam penelitian. Jika ada data yang mempunyai nilai > batas outliers, maka data tersebut harus dikeluarkan dari model penelitian. 4) Uji Multikolinieritas Uji
ini
multikolinieritas kombinasi
dilakukan atau
variabel
untuk
singularitas pada
model
melihat dalam
gejala
kombinasi-
penelitian.
Gejala
multikolinieritas dapat diketahui dengan melihat nilai determinan matriks kovarians sampelnya. Jika nilai determinan kecil atau mendekati nol mengindikasikan adanya multikolinieritas. Apabila
dalam
penelitian
ditemukan
nilai
determinan matriks kovarian yang kecil tetapi tidak ada warning, maka penelitian bisa dilanjutkan dengan melihat syarat hasil uji yang lain (Siswoyo, 2014). Cara yang lain
64
untuk melihat gejala multikolinieritas adalah dengan melihat nilai korelasi antar variabel eksogen atau independen.
Jika
koefisien
korelasi
antar
variabel
independen > 0,9 maka model dalam penelitian ini tidak memenuhi asumsi multikolinieritas (Ghozali, 2014). 7. Uji Hipotesis dan Analisis Data Penelitian membutuhkan suatu analisis data dan interpretasi yang akan digunakan untuk menjawab pertanyaan-pertanyaan penelitian, mengungkap fenomena sosial tertentu, sehingga analisis data adalah proses penyederhanaan data ke dalam bentuk yang lebih mudah dibaca dan diinterpretasikan. Model penelitian yang akan digunakan dalam penelitian ini adalah model struktur berjenjang dan untuk menguji hipotesis yang diajukan digunakan teknik analisis Stuctural Equation Modelling (SEM) yang dioperasikan melalui program AMOS. SEM merupakan sekumpulan teknik statistikal yang memungkinkan pengujian sebuah rangkaian hubungan yang relatif rumit
secara
simultan.
Pemodelan
melalui
SEM
juga
memungkinkan seorang peneliti dapat menjawab pertanyaan penelitian yang bersifat regresif maupun dimensional, yaitu mengukur dimensi-dimensi dari sebuah konsep. Menganalisis
65
model penelitian dengan SEM dapat mengidentifikasi dimensidimensi sebuah konstruk, dan pada saat yang sama dapat mengukur pengaruh atau derajat hubungan antar faktor. Keunggulan aplikasi SEM dalam penelitian manajemen adalah karena kemampuannya untuk mengkonfirmasi dimensidimensi dari sebuah konsep atau faktor yang sangat lazim digunakan
dalam
manajemen
serta
kemampuannya
untuk
mengukur hubungan-hubungan yang secara teoritis ada (Ghozali, 2014). Kemampuan dan kelebihan AMOS dalam analisis sebuah penelitian adalah: a. Memperkirakan koefisien yang tidak diketahui dari persamaan structural linier. b. Mencakup model yang memuat variabel-variabel laten. c. Memuat pengukuran kesalahan baik pada variabel dependen maupun variabel independen. d. Mengukur efek langsung dan tidak langsung dari variabel dependen dan variabel independen. e. Memuat hubungan sebab akibat yang timbal balik, bersamaan dan interdependensi.
66
Tahap pemodelan dan analisis persamaan structural menjadi tujuh langkah, yaitu: a. Pengembangan Model Teoritis Langkah pertama dalam pengembangan model SEM adalah pencarian
atau
pengembangan
model
yang
mempunyai
justifikasi teoritis yang kuat. Seorang peneliti harus melakukan serangkaian telaah pustaka yang intens guna mendapatkan justifikasi atas model teoritis yang dikembangkan. Dalam penelitian ini akan dikembangakan model yang bertujuan untuk menganalisis pengaruh keadilan kompensasi, kebutuhan untuk berprestasi, kebutuhan untuk berafiliasi, dan kebutuhan untuk berkuasa terhadap kinerja. b. Pengembangan Diagram Alur (Path Diagram) Diagram alur akan mempermudah peneliti untuk melihat hubungan kausalitas yang akan diuji. Adapun dalam menyusun bagan alur dapat digambarkan dengan hubungan antar konstruk melalui anak panah. Anak panah yang digambarkan lurus menyatakan hubungan kausal yang langsung antara satu konstruk satu dengan konstruk lainnya. Sedangkan garis garis lengkung antar konstruk dengan anak panah pada ujungnya menunjukkan korelasi antar konstruk. Model ini menunjukkan
67
adanya konstruk-konstruk eksogen dan endogen (Ghozali, 2014). 1) Konstruk eksogen dikenal sebagai source variables atau independent variables yang tidak diprediksi oleh variabel yang lain dalam model. Konstruk eksogen adalah konstruk yang dituju oleh garis dengan satu ujung panah. 2) Konstruk endogen merupakan faktor yang diprediksi oleh satu atau beberapa konstruk yang dapat memprediksi satu atau beberapa konstruk endogen lainnya, tetapi konstruk eksogen hanya dapat berhubungan kausal dengan konstruk endogen. c. Persamaan struktural Setelah teori atau model teoritis dikembangkan dan digambarkan dalam sebuah diagram alur, peneliti dapat mulai mengkonversikan spesifikasi model tersebut ke dalam rangkaian persamaan. 1) Memilih Jenis Input Matriks dan Estimasi Model yang diusulkan SEM
menggunakan
matriks
varians,
matriks
kovarians, atau matriks korelasi sebagai data input untuk keseluruhan estimasi yang dilakukannya. Data mentah
68
observasi individu dapat dimasukkan dalam program AMOS, yang sebelumnya diubah menjadi matriks kovarians atau matriks korelasi. Analisis terhadap data outlier harus dilakukan sebelum matriks kovarians atau matriks korelasi dihitung. Dalam penelitian ini, input data yang digunakan adalah matriks kovarians karena digunakan untuk pengujian suatu model yang mendapatkan justifikasi teori 2) Menilai Identifikasi Model Struktural Selama proses estimasi berlangsung dengan program komputer, sering didapat hasil estimasi yang tidak logis atau meaningless. Hal ini berkaitan dengan masalah identifikasi model struktural. Problem identifikasi ketidakmampuan proposed model untuk menghasilkan unique estimate. Cara melihat ada tidaknya problem identifikasi adalah dengan melihat hasil estimasi yang meliputi: a) Adanya nilai strandard error besar untuk satu atau lebih koefisien b) Ketidakmampuan program untuk invert information matrix c) Nilai estimasi yang tidak mungkin, misalnya error variance yang negatif
69
d) Adanya nilai korelasi yang tinggi (> 0,90) antar koefisien estimasi. Jika diketahui terdapat atau ditemukan problem identifikasi, maka harus memperhatikan tiga hal berikut: a) Besarnya jumlah koefisien yang diestimasi relatif terhadap jumlah kovarian atau korelasi, yang diindikasikan dengan nilai df (degree of freedom) yang kecil. b) Digunakan pengaruh timbal balik atau resiprokal antar konstruk (non-recursive models). c) Kegagalan dalam menetapkan nilai (fix) pada skala konstruk. Cara untuk menyelesaikan kegagalan ini dengan menetapkan lebih banyak konstrain dalam model, yaitu dengan menghapus path dari diagram path sampai masalah yang ada hilang. d. Menilai Kriteria Goodness of Fit Kesesuaian model dievaluasi melalui telaah terhadap berbagai kriteria goodness of fit. Tindakan pertama adalah mengevaluasi apakah data yang digunakan dapat memenuhi asumsi-asumsi SEM yaitu ukuran sampel, uji normalitas, uji
70
outliers, multikolinieritas. Selanjutnya peneliti melakukan uji kesesuaian dan uji statistik. Beberapa indeks kesesuaian dan cut off value yang digunakan untuk menguji apakah sebuah model diterima atau ditolak, adalah : 1) Chi-Square Model uji ini digunakan untuk mengembangkan dan menguji seberapa dekat kecocokan antara matriks kovarian sampel
dengan
matriks
kovarian
model
atau
bisa
didefinisikan apakah sebuah model yang terbentuk sesuai dengan datanya. Semakin kecil nilai X² maka semakin baik model itu dan diterima berdasarkan probabilitasnya dengan cut-off sebesar p=0,05 atau p=0,10 (Hulland et al, 1996), tergantung tingkat signifikansi yang diambil peneliti. Jika nilai p>0,05 atau p>0,10 menandakan bahwa Ho diterima, dan matriks input yang diprediksi dengan sebenarnya tidak berbeda secara statistik. 2) The Root Mean Square Error of Approximation (RMSEA) RMSEA merupakan nilai indeks yang
digunakan
untuk mengukur penyimpangan nilai parameter suatu model dengan matriks kovarian populasinya, mencoba memperbaiki
71
kecenderungan
chi-square
menolak
mengkompensasi chi-square statistic
model,
dengan
dalam sampel yang
besar (Ghozali, 2014). Nilai RMSEA menunjukkan nilai goodness of fit yang dapat diharapkan bila model diestimasi dalam populasi (Hair et al, 1995). Nilai RMSEA ≤ 0,05 merupakan nilai indeks yang dapat diterimanya model yang menunjukkan berdasarkan
sebuah
close
degrees
0,05
maka
fit
of
dari
model
freedom.
model
ini
tersebut
Sedangkan
diterima
yang
menunjukkan sebuah model good fit. 3) Goodness of Fit Indexs (GFI) GFI merupakan ukuran mengenai ketepatan model dalam menghasilkan observed matriks kovarians, yang dikembangkan oleh Joreskoq dan Sorbon Tahun 1984 (Ghozali, 2014). GFI sering disebut sebagai indeks kesesuaian, yang digunakan untuk menghitung proporsi tertimbang dari varians dalam matriks kovarians sampel yang dijelaskan
oleh
matriks
kovarians
populasi
tersestimasikan (Bentler, 1983; Tanaka & Huba, 1989).
yang
72
GFI
merupakan
ukuran
non
statistical
yang
mempunyai rentang nilai antara 0,00 (poor fit) sampai dengan 1,00 (perfect fit). Nilai yang tinggi dalam indeks ini menunjukkan sebuah better fit. Nilai yang disyaratkan oleh beberapa ahli untuk menilai kecocokan model ini adalah 0,90 (Ghozali, 2014). Nilai ini mengisyaratkan bahwa model yang diuji memiliki kesesuaian yang baik. 4) Adjusted Goodness of Fit Indexs (AGFI) AGFI
merupakan
pengembangan
dari
GFI,
perbedaannya terletak pada penyesuaian terhadap pengaruh degree of freedom dalam model. Analog dengan R² pada regresi
berganda,
ukuran
atau
nilai
AGFI
yang
direkomendasikan adalah > 0,90 (Ghozali, 2014). Semakin besar nilai AGFI maka semakin baik kesesuaian yang dimiliki model. 5) CMIN/DF Adalah the minimum sample discrepancy function dibagi dengan degree of freedom-nya. CMIN/DF merupakan statistik chi-square (X²), dibagi df-nya sehingga X² - relatif. Nilai X² - relatif kurang dari 3,00 ada indikasi dari
73
acceptable fit antara model dan data (Arbuckle, 1997). Peneliti Byrne (Ghozali, 2014) mengusulkan nilai ratio ini < 2 merupakan ukuran fit. 6) Tucker Lewis Indexs (TLI) Merupakan indeks kesesuaian incremental yang membandingkan sebuah model yang diuji terhadap sebuah baseline
model.
Ukuran
ini
menggabungkan
ukuran
parsimony kedalam indeks komparasi antara proposed model dan
null
model.
TLI
digunakan
untuk
mengatasi
permasalahan yang timbul akibat kompleksitas model. Nilai TLI berkisar antara 0 sampai 1, dan nilai penerimaan
yang
direkomendasikan
sebagai
acuan
diterimanya sebuah model adalah ≥ 0,90 (Ghozali, 2014). TLI merupakan indeks yang kurang dipengaruhi oleh sampel. 7) Comparative Fit Index (CFI) CFI juga merupakan indeks kesesuaian incremental. Besaran indeks ini adalah antara 0 sampai dengan 1. Nilai CFI yang mendekati 1 mengindikasikan model memiliki tingkat kesesuaian yang baik. Indeks ini sangat dianjurkan untuk dipakai karena indeks ini relatif tidak sensitif terhadap
74
besarnya sampel dan kurang dipengaruhi oleh kerumitan model. Nilai CFI penerimaan yang direkomendasikan adalah > 0,90. Tabel 3.2. Goodness of Fit Index Table Goodness of Fit Indexs
Cut off Value
(1)
(2) Diharapkan kecil ≥ 0,05 ≤ 0,08 ≥ 0,90 ≥ 0,90 ≤ 2,00 ≥ 0,90 ≥ 0,90
Chi-Square Significancy probability RMSEA GFI AGFI CMIN/DF TLI CFI Sumber : Ghozali, 2014
B. Interpretasi dan Modifikasi Model Setelah model diestimasi, residualnya haruslah kecil atau mendekati nol dan distribusi frekuensi dari kovarians residual harus bersifat simetrik. Model yang baik mempunyai standardized residual variance yang kecil. Angka 2,58 merupakan batas nilai standardized residual
yang
dipersyaratkan,
yang
diinterpretasikan
sebagai
significant secara statistik pada tingkat α = 5% dan menunjukkan adanya predictor error yang substansial untuk sepasang indikator.
75
Ketika model sudah dinyatakan diterima dan dapat dilakukan modifikasi model untuk memperbaiki penjelasan teoritis atau goodness of fit. Modifikasi dari model awal harus dilakukan setelah dikaji banyak pertimbangan. Jika model dimodifikasi, maka model tersebut harus dilakukan cross validated (diestimasi dengan data terpisah) sebelum model modifikasi diterima. Pengukuran model dapat dilakukan dengan modification indices.
